XiaoMi-AI文件搜索系统
World File Search System寒冬
经济寒冬
摘要 缺乏制冷和冷链是一项关键的发展挑战，对人们的生计、生产力、健康、粮食和营养安全具有重大影响。尽管按照常规需求预测，到 2050 年，每秒将售出 19 台新的制冷设备，但即使按照这样的增长速度，普遍获得制冷预计也不会成为现实，贫困和弱势群体将因此受到影响。全球对制冷的需求已经给能源系统和环境带来压力，鉴于制冷和冷链带来的社会和经济效益以及环境风险，现在政府和私营部门面临着一个重大机遇，可以开发和部署可持续、经济实惠且具有弹性的制冷解决方案，并同时为三个国际商定的目标做出贡献：《巴黎协定》；可持续发展目标 (SDG)；以及《蒙特利尔议定书》基加利修正案。要实现这一目标，需要采取一种完全不同的冷却和冷链供应方法，首先要问需要什么能源服务，然后探索以最小的环境影响和成本满足这些服务的方法，同时考虑可用的可再生、热能和废弃能源资源、流程和系统之间的协同作用以及聚合机会，而不是默认使用电力来产生冷却。这种系统级方法是冷经济的核心。关键词：冷经济、冷却、冷链、能源需求缓解、可再生能源、废弃能源回收、可持续发展、气候变化 JEL 分类：Q01、Q42、Q43、Q48、Q55、Q56、Q58
人工智能监管：进入人工智能监管寒冬？
欧盟委员会执行副主席玛格丽特·维斯塔格 (Margrethe Vestager) 提出了一项人工智能监管方案。欧盟委员会主席乌尔苏拉·冯德莱恩 (Ursula von der Leyen) 在其 2019-2024 年政治指导方针中宣布了这项“里程碑式”的立法举措。它遵循了《人工智能白皮书》，并被视为欧洲数字化转型和主权的基本基石。在 4 月 21 日发布的人工智能法规草案中，欧盟委员会指出，需要一个人工智能法律框架来促进人工智能的发展和应用，并“改善欧盟内部市场的运作，同时满足对公共利益的高水平保护”（欧盟委员会 2021 年）。出发点显然是希望推动人工智能，这影响了整个法规。欧盟委员会声称将基本权利放在首位，但这种担忧系统地让位于市场优先事项和欧盟打算主导的行业发展，而公民和工人的权利则处于次要地位。就业领域的人工智能应不在本条例的范围内，而应作为特别指令的主题。
神经网络中的量化优势与局限性
● 1943 年 - Pitts 和 McCulloch 创建了基于人脑神经网络的计算机模型 ● 20 世纪 60 年代 - 反向传播模型基础 ● 20 世纪 70 年代 - AI 寒冬：无法兑现的承诺 ● 20 世纪 80 年代 - 卷积出现，LeNet 实现数字识别 ● 1988-90 年代 - 第二次 AI 寒冬：AI 的“直接”潜力被夸大。AI = 伪科学地位 ● 2000-2010 年 - 大数据引入，第一个大数据集 (ImageNet) ● 2010-2020 年 - 计算能力，GAN 出现 ● 现在 - 深度学习热潮。AI 无处不在，影响着新商业模式的创建
量子冬天是现实还是神话？
量子寒冬是现实还是神话？它一直是量子计算和量子启发解决方案最新趋势的焦点。本文简要介绍了人工智能寒冬事件，并讨论了量子是否会遭遇同样的命运。不仅仅是量子计算，为什么量子物理如此重要？它是一切的关键吗？它能解开宇宙起源的奥秘吗？量子力学和弦理论是两种领先的理论，可以比大多数理论更好地解释宇宙。但它们都只是理论。近年来，随着 QPU（量子处理单元）和量子启发解决方案的发明，量子计算已不再只是一种理论。很少有人对 QC 的指数级计算能力和在眨眼间解决数十年之久的千年难题持怀疑态度。
人工智能热潮如何破灭 | 2024 年 2 月
在我最近的两篇专栏文章（2023 年 6 月和 2023 年 12 月）中，我追溯了人工智能 (AI) 作为智力品牌和计算机科学分支领域的历史，从 1955 年诞生到 1970 年代末。虽然我承认人工智能从 1960 年代中期开始受到高度质疑，但我认为 1970 年代是人工智能研究界稳步增长的时期。与普遍看法相反，1970 年代的“第一个人工智能寒冬”从未发生过。相比之下，1980 年代，以专家系统方法为中心的政府资助的人工智能泡沫迅速膨胀，泡沫破裂开启了真正的人工智能寒冬：长达二十年的低迷。我将在这里讲述这个故事，但首先我想谈谈人工智能的成熟在教科书和计算机科学课程中是如何体现的。
“如何度过人工智能寒冬” James Luke 博士，IBM 杰出工程师和首席发明家 如果您不知道，人工智能寒冬是指在人们对人工智能的期望达到顶峰之后出现的低迷，资金枯竭，专业人士对其潜力嗤之以鼻。70 年代末 80 年代初发生过一次人工智能寒冬，十年后又发生过一次——最后一次是在 1992 年。在这样的“寒冬”里，人们对人工智能嗤之以鼻并不罕见——James Luke 深情地回忆起 IBM 的一位（至今仍是）高管在他职业生涯早期告诉他，“如果你想在公司有所成就，就离开人工智能”。但即便是 Luke 也承认，考虑到挑战的规模，出现怀疑者并不奇怪。Luke 在会议开幕式主旨演讲中表示：“我们试图用人工智能重塑人脑的智能，这是人类面临的最大工程挑战。” “它比曼哈顿计划、比大型强子对撞机还要大——但我们通常只以两三个人组成的团队进行研究。”尽管如此，他仍敦促与会代表对人工智能保持积极态度，因为如果以正确的方式对待，人工智能可以发挥作用并带来巨大的机遇。那么，什么才是“正确的方式”？卢克说，人工智能有效用例的最佳例子之一仍然是 1997 年超级计算机深蓝与世界冠军国际象棋选手加里卡斯帕罗夫之间的著名比赛。深蓝曾在 1996 年挑战卡斯帕罗夫并失败，而它的架构师 IBM 决心不再重蹈覆辙。IBM 工程师寻求另一位国际象棋大师的帮助来构建深蓝，并对计算机进行编程，使其能够预测未来 14 步。从本质上讲，它复制了人类的能力，但通过巨大的规模进行了扩展。尽管“深蓝”赢得了 1997 年的锦标赛，但它的局限性也暴露无遗。当时参与打造它的大师说：“深蓝每秒评估两百万步，我评估三步。但我怎么知道该评估哪三步？”卢克说，这句话完美地概括了人工智能的缺点：“我们还没有解决这个问题，我们不明白大师如何知道该评估哪三步。这是智能和人工智能之间差异的一个很好的例子。人工智能不会比人类更好——人类脑细胞比电子神经元复杂得多。”他补充说，人工智能经常被认为比人类智能更好，因为它不会忘记东西。但卢克认为，人类忘记的能力是智能的一部分，因为忘记可以帮助我们“概括、实验和学习”——更不用说不会被我们做过的所有可耻的事情所打败。卢克分享了三条让人工智能发挥作用的建议：
“如何度过人工智能寒冬” James Luke 博士，IBM 杰出工程师和首席发明家 如果您不知道，人工智能寒冬是指在人们对人工智能的期望达到顶峰之后出现的低迷，资金枯竭，专业人士对其潜力嗤之以鼻。70 年代末 80 年代初发生过一次人工智能寒冬，十年后又发生过一次——最后一次是在 1992 年。在这样的“寒冬”里，人们对人工智能嗤之以鼻并不罕见——James Luke 深情地回忆起 IBM 的一位（至今仍是）高管在他职业生涯早期告诉他，“如果你想在公司有所成就，就离开人工智能”。但即便是 Luke 也承认，考虑到挑战的规模，出现怀疑者并不奇怪。Luke 在会议开幕式主旨演讲中表示：“我们试图用人工智能重塑人脑的智能，这是人类面临的最大工程挑战。” “它比曼哈顿计划、比大型强子对撞机还要大——但我们通常只以两三个人组成的团队进行研究。”尽管如此，他仍敦促与会代表对人工智能保持积极态度，因为如果以正确的方式对待，人工智能可以发挥作用并带来巨大的机遇。那么，什么才是“正确的方式”？卢克说，人工智能有效用例的最佳例子之一仍然是 1997 年超级计算机深蓝与世界冠军国际象棋选手加里卡斯帕罗夫之间的著名比赛。深蓝曾在 1996 年挑战卡斯帕罗夫并失败，而它的架构师 IBM 决心不再重蹈覆辙。IBM 工程师寻求另一位国际象棋大师的帮助来构建深蓝，并对计算机进行编程，使其能够预测未来 14 步。从本质上讲，它复制了人类的能力，但通过巨大的规模进行了扩展。尽管“深蓝”赢得了 1997 年的锦标赛，但它的局限性也暴露无遗。当时参与打造它的大师说：“深蓝每秒评估两百万步，我评估三步。但我怎么知道该评估哪三步？”卢克说，这句话完美地概括了人工智能的缺点：“我们还没有解决这个问题，我们不明白大师如何知道该评估哪三步。这是智能和人工智能之间差异的一个很好的例子。人工智能不会比人类更好——人类脑细胞比电子神经元复杂得多。”他补充说，人工智能经常被认为比人类智能更好，因为它不会忘记东西。但卢克认为，人类忘记的能力是智能的一部分，因为忘记可以帮助我们“概括、实验和学习”——更不用说不会被我们做过的所有可耻的事情所打败。卢克分享了三条让人工智能发挥作用的建议：
印度与全球人工智能伙伴关系——前进之路
“尽管自 1956 年提出 AI 这一术语以来，AI 领域一直是广泛研究的领域，但直到最近才开始大规模部署用于不同领域和任务的智能应用。20 世纪 50 年代末和 60 年代初的研究方向是开发通用技术，这些技术可以应用于多个领域。结果并不令人鼓舞，并导致了该领域的第一个寒冬，这种寒冬始于 60 年代末，一直持续到 70 年代末。人们意识到领域知识起着重要作用，因此研究的重点是知识的表示和使用。开发的系统被称为基于知识的系统。MYCIN 是一种使用规则来表示专家知识的 KBS，已成功应用于医学领域。其他领域也开发了许多这样的系统。由于这些系统基于人类专家的知识，因此被称为专家系统。几家公司抓住了这一机会。然而，到了 80 年代末，人们发现这些规则往往很脆弱，在实际应用中不起作用，需要合并大量规则来处理各种情况。当几家公司在
生物学人工智能 - UF 生物学 - 佛罗里达大学
人工智能 (AI) 作为一个研究领域至少自 20 世纪 50 年代以来就已存在。在最初的热情之后，早期的增长放缓，AI 进入了所谓的 AI 寒冬。现代计算硬件、数据收集和可用性的快速增长以及算法的进步重新激发了人们对 AI 的兴趣并彻底改变了该领域。AI 正在迅速成为日常生活和各种学术领域的普遍现象。本课程将研究 AI 的应用，特别关注
多学科视角对人工智能系统伦理的好处
促成该委员会成立的一个关键见解是认识到教授道德导向的 AIS 问题（例如偏见、公平、风险和可解释性）只是真正教育学生和全世界了解这些系统力量的第一步。作为现代人工智能时代教授这些科目的第一批教育工作者（在人工智能技术发展的各种低谷之后 - 例如 1973 年和 1988 年的人工智能寒冬），我们有幸根据世界各地多种背景下的各种学生最初接受这些想法的概念来分析、识别和调整教学。在这方面，通过倾听、与学生交流和观察，我们获得了关于如何解决 AIS 的最大见解。